torch.distributions.half_cauchy 的源代码

# mypy: 允许未类型化定义
导入 数学

导入 火炬
from 火炬 导入 无穷, 张量
from torch.distributions 导入 约束
from torch.distributions.cauchy 导入 拉普拉斯分布
from torch.distributions.transformed_distribution 导入 转换分布
from torch.distributions.transforms 导入 绝对值变换


全部 = [半柯西分布]


类 半高斯(转换分布):
    r```python
# 假设输入文本为：
input_text = """Immersive Translate"""

# 翻译函数（此处仅为示例，实际翻译功能需要调用真实的翻译 API）
def translate_to_simplified_chinese(text):
    # 这里应该调用真实的翻译 API 进行翻译
    # 由于示例中不使用真实的 API，以下为模拟翻译结果
    return text  # 假设翻译结果与原文相同

# 输出翻译结果
translated_text = translate_to_simplified_chinese(input_text)
print(translated_text)
```

输出：
```
Immersive Translate
```
创建一个由 `scale` 参数化的半柯西分布

X 符合 Cauchy(0, scale)
Y = |X| 符合 HalfCauchy(scale)

示例::

>>> # xdoctest: +IGNORE_WANT("非确定性")
        >>> m = HalfCauchy(torch.tensor([1.0]))
>>> m.sample()  # 偶然分布，尺度为 1
        tensor([ 2.3214])

参数：
scale (浮点数或张量): 全部柯西分布的尺度
    """

    约束参数 = {"缩放": 约束.正的}
    支持 = 约束.非负的
    has_rsample = 真实

    定义 __init__(自我, 比例, 验证参数=无):
        base_dist = 柯西(0, 比例, 验证参数=错误)
        超级().__init__(base_dist, Abs 变换(), 验证参数=验证参数)

[文档]    def expand(self, batch_shape, _instance=None):
new = self._get_checked_instance(HalfCauchy, _instance)
return super().expand(batch_shape, _instance=new)

    @property
    定义 比例(自我) 翻译 张量:
        返回 自我.基础分布.缩放

    @property
    定义 均值(自我) 翻译 张量:
        返回 火炬.full(
            自我._扩展形状(),
            数学.无穷,
            数据类型=自我.比例.数据类型,
            设备=自我.比例.设备,
        )

    @property
    定义 模式(自我) 翻译 张量:
        返回 火炬.等于零的(自我.比例)

    @property
    定义 方差(自我) 翻译 张量:
        返回 自我.基础分布.方差

[文档]    def log_prob(self, value):
if self._validate_args:
self._validate_sample(value)
value = torch.as_tensor(
value, dtype=self.base_dist.scale.dtype, device=self.base_dist.scale.device
        )
log_prob = self.base_dist.log_prob(value) + math.log(2)
log_prob = torch.where(value >= 0, log_prob, -inf)
return log_prob

[文档]    def cdf(self, value):
if self._validate_args:
self._validate_sample(value)
return 2 * self.base_dist.cdf(value) - 1

[文档]    def icdf(self, prob):
return self.base_dist.icdf((prob + 1) / 2)

[文档]    def entropy(self):
return self.base_dist.entropy() - math.log(2)